R语言逻辑回归与lasso模型

news2024/9/30 11:41:02

一、数据描述

数据集heart_learning.csv与heart_test.csv是关于心脏病的数据集，heart_learning.csv是训练数据集，heart_test.csv是测试数据集。

变量名称变量说明
age年龄
sex性别，取值1代表男性，0代表女性
pain 胸痛的类型，取值1,2,3,4,代表4种类型
bpress入院时的静息血压（单位：毫米汞柱
chol血清胆固醇（单位：毫克/分升
bsugar空腹血糖是否大于120毫克/公升，1代表是，0代表否
ekg静息心电图结果，取值0,1,2代表3中不同的结果
thalach达到的最大心率
exang是否有运动性心绞痛，1代表是0代表否
oldpeak运动引起的ST段压低
slope锻炼高峰期ST段的斜率，取值1代表上斜，2代表平坦，3代表下斜
ca荧光染色的大血管数目，取值为0,1,2,3
thal取值3代表正常，取值6代表固定缺陷，取值7代表可逆缺陷
target因变量，直径减少50%以上的大血管数目，取值0,1,2,3,4
target2因变量，取值1表示target大于0，取值0表示target等于0

二、读取数据集

heart_learning<-read.csv('f:/桌面/heart_learning.csv',colClasses = rep('numeric',15))

head(heart_learning)

 

heart_test<-read.csv('f:/桌面/heart_test.csv',colClasses = rep('numeric',15))
 

head(heart_test)
 

 

三、数据整理
 

将不是哑变量形式的定类自变量转换为因子变量，在本例中主要转换的变量为pain,ekg,slope,ca,thal,使用管道函数%>%和mutate()将两个数据集的变量进行类型转换。
 

heart_learning<-heart_learning %>% mutate(pain=as.factor(pain)) %>% mutate(ekg=as.factor(ekg)) %>%mutate(slope=as.factor(slope)) %>% mutate(thal=as.factor(thal))
 

heart_test<-heart_test %>% mutate(pain=as.factor(pain)) %>% mutate(ekg=as.factor(ekg)) %>% mutate(slope=as.factor(slope)) %>% mutate(thal=as.factor(thal))
 

转换后：
 

str(heart_learning)
str(heart_test)
 

 str(heart_learning)
'data.frame':	206 obs. of  15 variables:
 $ age    : num  63 37 41 56 57 57 56 52 57 54 ...
 $ sex    : num  1 1 0 1 0 1 0 1 1 1 ...
 $ pain   : Factor w/ 4 levels "1","2","3","4": 1 3 2 2 4 4 2 3 3 4 ...
 $ bpress : num  145 130 130 120 120 140 140 172 150 140 ...
 $ chol   : num  233 250 204 236 354 192 294 199 168 239 ...
 $ bsugar : num  1 0 0 0 0 0 0 1 0 0 ...
 $ ekg    : Factor w/ 3 levels "0","1","2": 3 1 3 1 1 1 3 1 1 1 ...
 $ thalach: num  150 187 172 178 163 148 153 162 174 160 ...
 $ exang  : num  0 0 0 0 1 0 0 0 0 0 ...
 $ oldpeak: num  2.3 3.5 1.4 0.8 0.6 0.4 1.3 0.5 1.6 1.2 ...
 $ slope  : Factor w/ 3 levels "1","2","3": 3 3 1 1 1 2 2 1 1 1 ...
 $ ca     : num  0 0 0 0 0 0 0 0 0 0 ...
 $ thal   : Factor w/ 3 levels "3","6","7": 2 1 1 1 1 2 1 3 1 1 ...
 $ target : num  0 0 0 0 0 0 0 0 0 0 ...
 $ target2: num  0 0 0 0 0 0 0 0 0 0 ...
 

 str(heart_test)
'data.frame':	91 obs. of  15 variables:
 $ age    : num  44 43 59 44 61 59 44 65 51 45 ...
 $ sex    : num  1 1 1 1 1 1 1 0 0 1 ...
 $ pain   : num  2 4 4 3 3 3 2 3 3 4 ...
 $ bpress : num  120 150 135 130 150 150 130 155 140 104 ...
 $ chol   : num  263 247 234 233 243 212 219 269 308 208 ...
 $ bsugar : num  0 0 0 0 1 1 0 0 0 0 ...
 $ ekg    : num  0 0 0 0 0 0 2 0 2 2 ...
 $ thalach: num  173 171 161 179 137 157 188 148 142 148 ...
 $ exang  : num  0 0 0 1 1 0 0 0 0 1 ...
 $ oldpeak: num  0 1.5 0.5 0.4 1 1.6 0 0.8 1.5 3 ...
 $ slope  : num  1 1 2 1 2 1 1 1 1 2 ...
 $ ca     : num  0 0 0 0 0 0 0 0 1 0 ...
 $ thal   : num  7 3 7 3 3 3 3 3 3 3 ...
 $ target : num  0 0 0 0 0 0 0 0 0 0 ...
 $ target2: num  0 0 0 0 0 0 0 0 0 0 ...
 

四、二元逻辑回归
 

1、建立二元变量target2对自变量age,sex,pain,bpress,chol,bsugar,ekg,thalach,exang,等自变量的回归模型，因为因变量target2仅取0和1两值，因此该模型为普通的logistic逻辑模型。
 

fit_lm<-glm(target2~.,data=heart_learning[,-14],family = 'binomial')
 

summary(fit_lm)
 

summary(fit_lm)

Call:
glm(formula = target2 ~ ., family = "binomial", data = heart_learning[, 
    -14])

Coefficients:
              Estimate Std. Error z value Pr(>|z|)   
(Intercept) -6.079e+00  3.764e+00  -1.615  0.10634   
age         -2.382e-02  3.151e-02  -0.756  0.44975   
sex          1.771e+00  6.958e-01   2.545  0.01091 * 
pain2        1.144e+00  9.911e-01   1.154  0.24837   
pain3        5.378e-01  8.215e-01   0.655  0.51267   
pain4        2.277e+00  8.550e-01   2.663  0.00774 **
bpress       4.034e-02  1.517e-02   2.658  0.00786 **
chol         8.330e-03  5.616e-03   1.483  0.13804   
bsugar      -6.162e-01  8.091e-01  -0.762  0.44631   
ekg1         1.376e+01  1.587e+03   0.009  0.99309   
ekg2         8.554e-01  5.142e-01   1.664  0.09619 . 
thalach     -3.648e-02  1.502e-02  -2.428  0.01516 * 
exang        7.524e-01  5.533e-01   1.360  0.17385   
oldpeak      6.505e-01  3.237e-01   2.010  0.04446 * 
slope2       4.972e-01  6.077e-01   0.818  0.41329   
slope3      -4.059e-01  1.358e+00  -0.299  0.76504   
ca           9.082e-01  3.277e-01   2.772  0.00558 **
thal6        9.011e-02  1.181e+00   0.076  0.93920   
thal7        1.639e+00  5.651e-01   2.901  0.00372 **
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 284.00  on 205  degrees of freedom
Residual deviance: 121.07  on 187  degrees of freedom
AIC: 159.07

Number of Fisher Scoring iterations: 15
 

运行得到了回归模型的系数。
 

2、将在训练数据集中得到的逻辑回归模型运用到测试数据，用以检验模型的拟合情况。
 

test.pred<-predict(fit_lm,heart_test,type = 'response')
 

head(test.pred)
 

type = 'response'表明拟合的类型为因变量target2取值为1的概率。
 

 head(test.pred)
         1          2          3          4          5          6 
0.13562868 0.44796749 0.63351630 0.04108158 0.29696382 0.06530277 
 

test.pred.class<-1*(test.pred>0.5)
 

test.pred.class
 

表明当因变量target2预测的概率取值大于0.5是，该target2就取值为1，反之小于0.5时则取值为0.
 

运行得到预测的分类取值，
 

 test.pred.class
 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 
 0  0  1  0  0  0  0  0  0  1  0  0  0  0  0  0  0  0  0  0  0  0  0  1  0  0  1  0  0  0  0  0  0  0  0  0  0  0  0 
40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 
 0  0  1  1  0  1  0  0  0  0  0  1  1  0  1  1  0  1  1  1  0  0  0  1  0  0  1  1  1  1  1  1  1  1  0  1  1  1  1 
79 80 81 82 83 84 85 86 87 88 89 90 91 
 1  1  1  1  1  1  1  1  1  1  1  1  1 
 

table(heart_test$target2,test.pred.class)
 

则得到了真实的分类取值和预测值的列联表
 

table(heart_test$target2,test.pred.class)
   test.pred.class
     0  1
  0 41  7
  1 10 33
 

五、多值逻辑变量回归
 

1、即要求因变量taregt对自变量age,sex,pain,bpress等自变量进行回归分析，因变量target取值为0,1,2,3,4这5个取值。
 

library(MASS)
 

fit.ologit <- polr(as.factor(target) ~ ., data=heart_learning[,-15])
 

summary(fit.ologit)模型的系数
 

summary(fit.ologit)

Re-fitting to get Hessian

Call:
polr(formula = as.factor(target) ~ ., data = heart_learning[, 
    -15])

Coefficients:
            Value Std. Error  t value
age     -0.014686   0.021748 -0.67527
sex      0.909686   0.432821  2.10176
pain2    0.618309   0.839876  0.73619
pain3    0.406543   0.729413  0.55736
pain4    1.668044   0.722760  2.30788
bpress   0.026835   0.010207  2.62913
chol     0.002481   0.003297  0.75255
bsugar  -0.190277   0.495656 -0.38389
ekg1     1.303400   1.270044  1.02626
ekg2     0.658572   0.338254  1.94697
thalach -0.026755   0.009609 -2.78448
exang    0.312088   0.380035  0.82121
oldpeak  0.262455   0.176701  1.48530
slope2   0.596782   0.427343  1.39650
slope3   0.078796   0.860779  0.09154
ca       0.666761   0.201982  3.30109
thal6    1.030344   0.785958  1.31094
thal7    1.496852   0.404164  3.70357

Intercepts:
    Value   Std. Error t value
0|1  3.2295  2.4368     1.3253
1|2  5.0011  2.4493     2.0418
2|3  6.2313  2.4554     2.5378
3|4  8.1594  2.4755     3.2960

Residual Deviance: 355.4983 
AIC: 399.4983 

 

2、将使用训练数据集中得到的模型运用到测试数据集，以验证模型的拟合预测情况
 

prob.ologit <- predict(fit.ologit, heart_test, type="probs")
 head(prob.ologit)
 

head(prob.ologit)
          0          1           2           3            4
1 0.8329684 0.13405365 0.023110414 0.008420372 0.0014471768
2 0.6956545 0.23509494 0.047970289 0.018128313 0.0031519743
3 0.3538205 0.40919462 0.153773047 0.070184478 0.0130273377
4 0.9460872 0.04431458 0.006774099 0.002412405 0.0004116821
5 0.7037903 0.22941377 0.046307360 0.017455939 0.0030326152
6 0.9002005 0.08129427 0.013025629 0.004678986 0.0008006112
 

运行得到了因变量在每个样本观测中的取各种值的概率。
 

class.ologit <- predict(fit.ologit, heart_test, type="class")
 class.ologit
 

运行得到了模型的预测分类取值情况。
 

class.ologit <- predict(fit.ologit, heart_test, type="class")
> class.ologit
 [1] 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 1 0 0 0 0 0 3 1 0 1 1 0
[57] 1 3 3 0 0 0 1 0 0 1 3 3 3 3 1 3 0 0 3 1 1 3 1 3 1 4 1 3 3 1 4 3 1 1 3
Levels: 0 1 2 3 4
 

table(heart_test$target, class.ologit)
 

运行得到了测试数据的实际取值情况和模型预测的取值的列联表。
 

  class.ologit
     0  1  2  3  4
  0 44  3  0  1  0
  1  9  5  0  3  0
  2  2  3  0  6  0
  3  0  5  0  4  2
  4  0  2  0  2  0
 

六、将Lasso模型运用到二元逻辑模型。
 

此时模型的因变为target2,取1和0二值。
 

library(glmnet)
 

library(caret)
 

1、将分类变量转换为哑变量
 

dmy <- dummyVars(~pain+ekg+slope+thal,
                  heart_learning, 
                  fullRank = TRUE)
 

2、将哑变量加进原始数据集中，并去除多余变量
 

heart_learning2 <- cbind(heart_learning,predict(dmy,heart_learning)) %>%  dplyr::select(-c(pain,ekg,slope,thal)) %>% dplyr:: select(-c(target,target2),everything())
 

str(heart_learning2)
 

str(heart_learning2)
'data.frame':	206 obs. of  20 variables:
 $ age    : num  63 37 41 56 57 57 56 52 57 54 ...
 $ sex    : num  1 1 0 1 0 1 0 1 1 1 ...
 $ bpress : num  145 130 130 120 120 140 140 172 150 140 ...
 $ chol   : num  233 250 204 236 354 192 294 199 168 239 ...
 $ bsugar : num  1 0 0 0 0 0 0 1 0 0 ...
 $ thalach: num  150 187 172 178 163 148 153 162 174 160 ...
 $ exang  : num  0 0 0 0 1 0 0 0 0 0 ...
 $ oldpeak: num  2.3 3.5 1.4 0.8 0.6 0.4 1.3 0.5 1.6 1.2 ...
 $ ca     : num  0 0 0 0 0 0 0 0 0 0 ...
 $ pain2  : num  0 0 1 1 0 0 1 0 0 0 ...
 $ pain3  : num  0 1 0 0 0 0 0 1 1 0 ...
 $ pain4  : num  0 0 0 0 1 1 0 0 0 1 ...
 $ ekg1   : num  0 0 0 0 0 0 0 0 0 0 ...
 $ ekg2   : num  1 0 1 0 0 0 1 0 0 0 ...
 $ slope2 : num  0 0 0 0 0 1 1 0 0 0 ...
 $ slope3 : num  1 1 0 0 0 0 0 0 0 0 ...
 $ thal6  : num  1 0 0 0 0 1 0 0 0 0 ...
 $ thal7  : num  0 0 0 0 0 0 0 1 0 0 ...
 $ target : num  0 0 0 0 0 0 0 0 0 0 ...
 $ target2: num  0 0 0 0 0 0 0 0 0 0 ...
 

3、建立lasso模型
 

fit.lasso <- glmnet(as.matrix(heart_learning2[,1:18]),
                          heart_learning2$target2, 
                          family="binomial")
 

fit.lasso
 

 Df  %Dev   Lambda
1   0  0.00 0.268700
2   2  3.89 0.244800
3   2  8.32 0.223100
4   3 12.46 0.203300
5   4 16.55 0.185200
6   4 20.23 0.168800
7   4 23.40 0.153800
8   6 26.51 0.140100
9   6 29.30 0.127700
10  6 31.75 0.116300
11  6 33.90 0.106000
12  6 35.79 0.096570
13  7 37.48 0.087990
14  7 39.01 0.080170
15  7 40.37 0.073050
16  8 41.58 0.066560
17  9 42.87 0.060650
18  9 44.22 0.055260
19 10 45.44 0.050350
20 10 46.60 0.045880
21 10 47.64 0.041800
22 10 48.56 0.038090
23 10 49.38 0.034710
24 11 50.15 0.031620
25 11 50.88 0.028810
26 11 51.53 0.026250
27 11 52.11 0.023920
28 11 52.62 0.021800
29 11 53.08 0.019860
30 12 53.50 0.018100
31 12 53.90 0.016490
32 12 54.26 0.015020
33 12 54.57 0.013690
34 12 54.84 0.012470
35 12 55.08 0.011360
36 12 55.29 0.010350
37 13 55.47 0.009435
38 15 55.67 0.008597
39 16 55.86 0.007833
40 16 56.05 0.007137
41 16 56.22 0.006503
42 16 56.36 0.005925
43 16 56.48 0.005399
44 16 56.58 0.004919
45 16 56.67 0.004482
46 16 56.75 0.004084
47 17 56.82 0.003721
48 17 56.90 0.003391
49 17 56.97 0.003090
50 17 57.03 0.002815
51 17 57.08 0.002565
52 17 57.13 0.002337
53 17 57.16 0.002130
54 18 57.19 0.001940
55 18 57.22 0.001768
56 18 57.24 0.001611
57 18 57.26 0.001468
58 18 57.28 0.001337
59 18 57.29 0.001219
60 18 57.30 0.001110
61 18 57.31 0.001012
62 18 57.32 0.000922
63 18 57.33 0.000840
64 18 57.33 0.000765
65 18 57.34 0.000697
66 18 57.34 0.000635
67 18 57.35 0.000579
68 18 57.35 0.000527
69 18 57.35 0.000481
70 18 57.36 0.000438
71 18 57.36 0.000399
72 18 57.36 0.000364
73 18 57.36 0.000331
74 18 57.36 0.000302
75 18 57.36 0.000275
76 18 57.36 0.000251
 

运行得到每次运行处理结果情况。
 

 

根据该模型，参数λ为调节参数，当λ逐渐增大是，所有模型系数都将趋于0，所有参数λ常用于变量选择。从图形中可以看到随着对数的λ值逐渐增大，每个变量代表的系数也逐渐趋于0.
 

3、使用交叉验证选取调节参数λ的值得到模型的回归系数
 

cvfit.lasso <- cv.glmnet(as.matrix(heart_learning2[,1:18]),
                          heart_learning2$target2, 
                          family="binomial", 
                          type.measure="class")
 

在这里使用了 cv.glmnet()函数，使用交叉验证选取调节参数的最佳值，因变量为二项分布，交叉验证的准则为错误分类率。
 

cvfit.lasso$lambda.min
 

运行得到了交叉验证的λ值为lmbda.min
 

 cvfit.lasso$lambda.min
[1] 0.02881333
 

coef(cvfit.lasso,s='lambda.min')
 

运行得到了模型的系数：
 

coef(cvfit.lasso,s='lambda.min')
19 x 1 sparse Matrix of class "dgCMatrix"
                       s1
(Intercept) -1.6734148389
age          .           
sex          0.5478601756
bpress       0.0123146239
chol         0.0005767132
bsugar       .           
thalach     -0.0184055035
exang        0.5116235150
oldpeak      0.3216762530
ca           0.4622937819
pain2        .           
pain3        .           
pain4        1.0975807443
ekg1         .           
ekg2         0.2317211271
slope2       0.2993419586
slope3       .           
thal6        .           
thal7        1.2936765301
 

上述系数中，没有显示系数值的变量将被剔除。
 

plot(cvfit.lasso)
 

运行得到：
 

交叉验证的平均误差随着调节参数lambd对数值的变化而变化的图形，从图形中交叉验证的平均误差最小值对于的lambda,对数为-3.546917，相应的lambda的值为 0.02881333。从图形中最上面的对应数值看到，相应的选择进入模型变量为11个。
 

4、测试数据的拟合验证
 

heart_test2 <- 
   cbind(heart_test,predict(dmy,heart_test)) %>%  dplyr::select(-c(pain,ekg,slope,thal)) %>% 
   dplyr::select(-c(target,target2),everything())
 prob.lasso <-
   predict(cvfit.lasso, as.matrix(heart_test2[,1:18]), 
           s="lambda.min", type="response")
 

对测试数据集进行整理，在整理后数据集进行进行lasso模型的拟合，得到因变量的概率取值的预测。
 

head(prob.lasso)
  lambda.min
1  0.1999511
2  0.3311122
3  0.6364576
4  0.1146022
5  0.3711861
6  0.1778357
 

class.lasso <- 
   predict(cvfit.lasso, as.matrix(heart_test2[,1:18]), 
           s="lambda.min", type="class")
 head(class.lasso)
 

运行得到了因变量的取值情况
 

head(class.lasso)
  lambda.min
1 "0"       
2 "0"       
3 "1"       
4 "0"       
5 "0"       
6 "0
 

table(heart_test$target2, class.lasso)
 

运行得到了因变量真实值和预测值的列联表。
 

table(heart_test$target2, class.lasso)
   class.lasso
     0  1
  0 43  5
  1 10 33
 

七、将Lasso模型运用到多值逻辑模型
 

相应的程序为：
 

cvfit2.lasso <- cv.glmnet(as.matrix(heart_learning2[,1:18]),
                          heart_learning2$target, 
                          family="multinomial", 
                          type.measure="class")
 

prob2.lasso <- predict(cvfit2.lasso, as.matrix(heart_test2[,1:18]), 
           s="lambda.min", type="response")
 

head(prob2.lasso)
 

得到：
 

head(prob2.lasso)
, , 1

          0          1          2          3          4
1 0.7819545 0.12867778 0.03665610 0.03401131 0.01870034
2 0.6889450 0.14948312 0.08312511 0.05084087 0.02760589
3 0.3670365 0.32374751 0.15268963 0.10556503 0.05096128
4 0.8866576 0.06487749 0.01947599 0.01893834 0.01005056
5 0.6836868 0.13274797 0.06431920 0.08618101 0.03306503
6 0.8531171 0.06231089 0.03283587 0.03465448 0.01708167

得到因变量取值的概率

 

class2.lasso <-  predict(cvfit2.lasso, as.matrix(heart_test2[,1:18]), 
           s="lambda.min", type="class")
 

得到了因变的预测值
 

head(class2.lasso)
     1  
[1,] "0"
[2,] "0"
[3,] "0"
[4,] "0"
[5,] "0"
[6,] "0"
 

table(heart_test2$target, class2.lasso)
 

因变量真实值和预测值列联表：
 

table(heart_test2$target, class2.lasso)
   class2.lasso
     0  1  2  3
  0 45  2  1  0
  1 12  3  2  0
  2  2  5  2  2
  3  2  6  1  2
  4  1  1  1  1
 

本文结束。
 

 

 

 

 

 

 

 

 

 


                

        

        

            

            

            

              

                本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1537774.html
              

              如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！
            

            
            

              
            

          


            
相关文章

          
            
                  

                    

                      

                        

                          
                            SQLiteC/C++接口详细介绍sqlite3_stmt类（十二）
                        

                      

                      

                        

                          SQLiteC/C++接口详细介绍sqlite3_stmt类（十二）
                        

                        

                          返回&#xff1a;SQLite—系列文章目录    
上一篇&#xff1a;SQLiteC/C接口详细介绍sqlite3_stmt类&#xff08;十一&#xff09; 
下一篇&#xff1a; SQLiteC/C接口详细介绍sqlite3_stmt类&#xff08;十三&#xff09; 48、sqlite3_stmt_isexplain       
sqlite3_stmt_is…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            Django日志（四）
                        

                      

                      

                        

                          Django日志（四）
                        

                        

                          一、Filters介绍 过滤器用于从logger传递给handler的哪些日志要做额外控制 
默认情况下，满足日志级别的任何消息都将处理。只要级别匹配，任何日志消息都会被处理。不过，也可以通过添加 filter 来给日志处理的过程增加额外条件。例如，可以添加一个 filter 只允许某个特定来源…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            手机网页关键词视频爬虫采集软件可导出视频分享链接|视频无水印批量下载工具
                        

                      

                      

                        

                          手机网页关键词视频爬虫采集软件可导出视频分享链接|视频无水印批量下载工具
                        

                        

                          全新音视频批量下载工具&#xff0c;为您解放视频管理烦恼&#xff01; 现如今&#xff0c;音上涌现出大量精彩的视频内容&#xff0c;但是要想高效地获取、管理和分享这些视频却是一件颇具挑战的事情。针对这一难题&#xff0c;我们自主研发了全新的音视频批量下载工具&#x…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            什么是单点登录？
                        

                      

                      

                        

                          什么是单点登录？
                        

                        

                          单点登录&#xff08;Single Sign On&#xff0c;简称 SSO&#xff09;简单来说就是用户只需在一处登录&#xff0c;不用在其他多系统环境下重复登录。用户的一次登录就能得到其他所有系统的信任。 
为什么需要单点登录 单点登录在大型网站应用频繁&#xff0c;比如阿里旗下有淘…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            B-tree - 深度解析+C语言实现+opencv绘图助解
                        

                      

                      

                        

                          B-tree - 深度解析+C语言实现+opencv绘图助解
                        

                        

                          B-tree - 深度解析C语言实现opencv绘图助解 1. 概述2. B-tree介绍3. Btree算法实现3.1 插入3.1.1 排序3.1.2 分裂1) 叶子节点的分裂2) 根节点的分裂&#xff08;特殊的分裂&#xff09;3) 内节点的分裂 3.2 删除3.2.1 再平衡&#xff08;Rebalance&#xff09;左旋右旋合并 3.2…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            蓝桥杯 2022 省B 积木画
                        

                      

                      

                        

                          蓝桥杯 2022 省B 积木画
                        

                        

                          这是个典型的动态规划问题&#xff0c;重点在于找到他的递推方程。 
可简单算出填满第0 1 2 3 4列个数为0 1 2 5 11&#xff1b; 运气好点&#xff0c;找到递推公式dp[i]2*dp[i-1]dp[i-3]; 直接解决了。 
但我们还是按照动态规划一步一步来。 
思路分析&#xff1a; 状态定义&a…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            css3鼠标悬停图片特效,图片悬停效果源码
                        

                      

                      

                        

                          css3鼠标悬停图片特效,图片悬停效果源码
                        

                        

                          特效介绍 
css3鼠标悬停图片特效,图片悬停效果源码&#xff0c;可以在网页上面作为自己的动态加载名片&#xff0c;放到侧边栏或者网站合适的位置即可 
动态效果 代码下载 
css3鼠标悬停图片特效,图片悬停效果源码
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            docker进阶篇，docker集群介绍
                        

                      

                      

                        

                          docker进阶篇，docker集群介绍
                        

                        

                          docker swarm 
官网&#xff1a;https://docs.docker.com/engine/swarm/how-swarm-mode-works/nodes/ 
什么是 docker swarm 
docker swarm 是 docker 官方提供的容器编排和集群管理工具。它允许用户将多个 docker 主机组成一个虚拟的 docker 集群&#xff0c;以便更高效地管理…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            解决用POI库生成的word文件中的表格在python-docx无法解析的问题
                        

                      

                      

                        

                          解决用POI库生成的word文件中的表格在python-docx无法解析的问题
                        

                        

                          问题背景 
用apache-poi生成word文件中表格&#xff0c;在使用python-docx库解析时报错&#xff1a; 问题分析 
1. word文档本质上是一个rar压缩包&#xff0c;用winrar解析后如下&#xff1a; 2. 查看document.xml&#xff0c;可以看到table元素下面是没有<w:tblGrid>这…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            HTTP --- 上
                        

                      

                      

                        

                          HTTP --- 上
                        

                        

                          目录 
1. HTTP协议 
2. 认识URL 
2.1. URL中的四个主要字段 
2.2. URL Encode && URL Decode 
3. HTTP 协议格式 
3.1. 快速构建 HTTP 请求和响应的报文格式 
3.1.1. HTTP 请求格式 
3.1.2. HTTP 响应格式 
3.1.3. 关于 HTTP 请求 && 响应的宏观理解 
3.2. 实现…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            基于PID控制器的四旋翼无人机控制系统的simulink建模与仿真,并输出虚拟现实动画
                        

                      

                      

                        

                          基于PID控制器的四旋翼无人机控制系统的simulink建模与仿真,并输出虚拟现实动画
                        

                        

                          目录 
1.课题概述 
2.系统仿真结果 
3.核心程序与模型 
4.系统原理简介 
4.1四旋翼无人机的动力学模型 
4.2 PID控制器设计 
4.3 姿态控制实现 
4.4 VR虚拟现实动画展示 
5.完整工程文件 1.课题概述 基于PID控制器的四旋翼无人机控制系统的simulink建模与仿真,并输出vr虚拟现实…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            CI/CD环境搭建
                        

                      

                      

                        

                          CI/CD环境搭建
                        

                        

                          服务简介 
Gitlab 官网&#xff1a;https://about.gitlab.com/ GitLab 是一个用于仓库管理系统的开源项目&#xff0c;使用Git作为代码管理工具&#xff0c;并在此基础上搭建起来的Web服务。安装方法是参考GitLab在GitHub上的Wiki页面。Gitlab是被广泛使用的基于git的开源代码管…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            每日一题——LeetCode1720.解码异或后的数组
                        

                      

                      

                        

                          每日一题——LeetCode1720.解码异或后的数组
                        

                        

                          方法一 异或运算的性质 
encoded[i−1]arr[i−1]⊕arr[i] 在等式两边同时异或arr[i−1] 由于&#xff1a; 一个数异或它自己&#xff0c;结果总是0。  0异或任何数&#xff0c;结果都是那个数本身。  
所以等式可以转化为&#xff1a; 
arr[i]arr[i−1]⊕encoded[i−1] 
由于 a…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            智慧工业园区的物联网解决方案
                        

                      

                      

                        

                          智慧工业园区的物联网解决方案
                        

                        

                          智慧工业园区的物联网解决方案 
智慧工业园区的物联网解决方案&#xff0c;是一种深度融合物联网、大数据、云计算及人工智能等前沿技术&#xff0c;以实现工业园区全方位、智能化管理与服务的综合体系。该方案旨在通过高效采集和分析园区内的各类实时数据&#xff0c;构建出一…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            什么是PLC物联网关？PLC物联网关有哪些功能？
                        

                      

                      

                        

                          什么是PLC物联网关？PLC物联网关有哪些功能？
                        

                        

                          在数字化浪潮的推动下&#xff0c;工业物联网&#xff08;IIoT&#xff09;正逐步成为推动制造业智能化转型的关键力量。而在这一变革中&#xff0c;PLC物联网关扮演着至关重要的角色。今天&#xff0c;就让我们一起走进PLC物联网关的世界&#xff0c;了解它的定义、功能&#…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            直播行业网络安全建设
                        

                      

                      

                        

                          直播行业网络安全建设
                        

                        

                          一、引言 
直播行业近年来蓬勃发展&#xff0c;吸引了大量用户和资本的关注。然而&#xff0c;随着行业的壮大&#xff0c;网络安全问题也日益凸显。构建一个安全、稳定的直播行业网络对于保障用户权益、维护行业秩序具有重要意义。本文将详细探讨直播行业安全网络的构建与保障…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            【算法刷题 | 二叉树 02】3.21 二叉树的层序遍历01（5题：二叉树的层序遍历、层序遍历||、右视图、层平均值，以及N叉树的层序遍历）
                        

                      

                      

                        

                          【算法刷题 | 二叉树 02】3.21 二叉树的层序遍历01（5题：二叉树的层序遍历、层序遍历||、右视图、层平均值，以及N叉树的层序遍历）
                        

                        

                          文章目录 5.二叉树的层序遍历5.1 102_二叉树的层序遍历5.1.1问题5.1.2解法&#xff1a;队列 5.2 107_二叉树的层序遍历||5.2.1问题5.2.2解法&#xff1a;队列 5.3 199_二叉树的右视图5.3.1问题5.3.2解决&#xff1a;队列 5.4 637_二叉树的层平均值5.4.1问题5.4.2解决&#xff1…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            VScode通过ssh连接github
                        

                      

                      

                        

                          VScode通过ssh连接github
                        

                        

                          通过ssh连接github 1.生成公钥和私钥2.设置config文件3.配置ssh免密登录4.远程仓库初始化 1.生成公钥和私钥 
首先选择一个文件夹&#xff0c;右击 git bash here&#xff0c;在命令行输入命令&#xff0c;按下三次回车生成一个**.ssh文件夹**&#xff0c;一般在用户的user根目…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            跳过mysql权限验证来修改密码-GPT纯享版
                        

                      

                      

                        

                          跳过mysql权限验证来修改密码-GPT纯享版
                        

                        

                          建议重新配置一遍&#xff0c;弄成功好多次了&#xff0c;每次都出bug&#xff0c;又要重新弄&#xff0c;不是过期就是又登不进去了&#xff0c;我服了 
电脑配置MySQL环境&#xff08;详细&#xff09;这个哥们的10min配完&#xff0c;轻轻松松&#xff0c; 
旧方法&#xff…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
                  

                    

                      

                        

                          
                            第十四届蓝桥杯JavaB组省赛真题 - 幸运数字
                        

                      

                      

                        

                          第十四届蓝桥杯JavaB组省赛真题 - 幸运数字
                        

                        

                          进制转换可以参考如下的十进制&#xff0c;基本一样的&#xff0c;只是把10变成了其他数字&#xff0c; 
sum就是各个数位之和 
public static int myUtil(int n) {int sum  0;while(n > 0) {sum  n % 10;n / 10;}return sum;} 
注意&#xff1a; 
如果写在同一个类里面&…
                        

                        

                          阅读更多...
                        

                      

                    

                  

                  
       
      
        

        

          

            



                
                
                

            

          

          

            



              
推荐文章

              
            

          


          

            


                
                
                
            

          

          

            

              
最新文章

              
            

          

          

            

            
            
            
            

          

        

      

    

    

      

        

                    Copyright @ 2022~2023